编辑推荐：
为解决肠道类器官图像分析中存在的细胞类别识别困难、算法需兼具高效轻量等问题，研究人员开展基于深度学习的肠道类器官检测模型研究。结果显示，Deliod 模型 mAP50达 87.5%，性能优异。该研究为肠道类器官研究提供新工具110。
在生命科学研究的微观世界里，肠道类器官作为探索肠道疾病的关键 “小助手”，正发挥着越来越重要的作用。肠道类器官是由肠道干细胞或诱导多能干细胞经三维培养技术得来，能高度模拟真实肠道组织，拥有多种分化细胞类型和生理功能。然而，在对这些 “小助手” 进行图像分析时，科研人员却遇到了不少麻烦。由于肠道类器官悬浮在三维空间中，成像时容易出现遮挡、失焦的情况，而且它们大小和形状差异很大，视野里还存在众多小目标，这使得细胞类别识别变得困难重重。同时，当前对肠道类器官图像识别算法的要求越来越高，不仅要准确，还得高效、轻量，能在终端设备上运行。为了解决这些棘手的问题，南京师范大学电气与自动化工程学院以及中国科学院苏州生物医学工程技术研究所的研究人员展开了深入研究。他们的研究成果发表在《Scientific Reports》上，为肠道类器官的研究带来了新的曙光。
研究人员提出了一种名为 Deliod 的轻量级肠道类器官检测模型，它基于 YOLOv8 进行了多项优化。研究中用到的主要技术方法有：一是构建新的 DRBNCSPELAN 模块，基于 GELAN 架构，整合 DRB、CSPNet 等，以拓宽模型的感受野，提升其处理复杂空间数据的能力；二是设计 ED-FPN 模块，实现多尺度特征融合，增强对小目标的感知；三是引入 EMA-SlideLoss 损失函数，解决样本不均衡问题，提升检测精度和稳定性。
在研究结果部分：
- 模型性能对比：研究人员将 Deliod 模型与 YOLOv8s、YOLOv7 等多个模型进行对比。通过将数据集划分成 10 折进行测试，并采用 COCO 数据集的评估标准，按物体大小将类器官分为大、中、小三类。结果发现，Deliod 模型在所有类型类器官的检测中表现最佳，其平均 mAP50达到 87.5%，在检测 Cq、Zq、Wq、Qt 这四类类器官以及大、中、小物体和所有物体时，均展现出最优性能23。
- 误差分析：运用 TIDE 方法对模型进行误差分析，结果显示 Deliod 模型在各类误差（除重复检测误差外）方面表现最低，尤其在解决定位和分类误差上表现出色。这得益于模型中的 ELA 模块增强了定位能力，EMA-SlideLoss 函数改善了样本不均衡问题45。
- 计算资源对比：对比各模型的参数数量、计算量和每秒帧数（FPS），Deliod 模型的参数数量仅为 5.41M，计算量为 16.6GFLOPs，在保证检测性能的同时，显著降低了计算需求，且推理速度比其他模型快 2 - 5 倍6。
- 消融实验：对 Deliod 算法进行消融实验，分别替换不同组件进行测试。结果表明，用 DRBNCSPELAN 模块替换 C2f 模块、用 ED-FPN 模块替换颈部组件、用 EMA-SlideLoss 替换分类损失函数，均能提升模型性能，且在一定程度上降低计算量和参数数量78。
- 不同数据集测试：在另一个包含 1750 张图像和 14242 个类器官的数据集上测试，Deliod 模型依然展现出强大的检测性能，mAP 达到 92.1%911。
在研究结论和讨论部分，Deliod 模型有效解决了肠道类器官检测中的诸多难题，通过优化 YOLOv8 的模型架构，提升了检测性能，同时降低了计算需求和参数数量。与其他模型相比，Deliod 在检测精度、计算负载和参数数量方面优势明显，为肠道类器官的图像分析开辟了新道路。不过，当前研究使用的数据集存在数据量小、类别数量不均衡的问题，不同类别检测精度存在差异。未来研究需要优化数据集，与生物学家合作设计实验量化生物学指标，并探索先进的深度学习技术，进一步提升 Deliod 模型的性能，为肠道类器官研究提供更高效、准确的分析方法，助力药物筛选、疾病建模和组织再生等领域的发展。
